論文の概要: Interpreting Outliers in Time Series Data through Decoding Autoencoder
- arxiv url: http://arxiv.org/abs/2409.01713v1
- Date: Tue, 3 Sep 2024 08:52:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-06 02:16:32.326683
- Title: Interpreting Outliers in Time Series Data through Decoding Autoencoder
- Title（参考訳）: デコードオートエンコーダによる時系列データ外乱の解釈
- Authors: Patrick Knab, Sascha Marton, Christian Bartelt, Robert Fuder,
- Abstract要約: 本研究は、ドイツの自動車供給産業における時系列データの製造に焦点をあてる。
我々はオートエンコーダを用いて時系列全体を圧縮し,その潜在特徴に異常検出技術を適用する。
- 参考スコア（独自算出の注目度）: 2.156170153103442
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Outlier detection is a crucial analytical tool in various fields. In critical systems like manufacturing, malfunctioning outlier detection can be costly and safety-critical. Therefore, there is a significant need for explainable artificial intelligence (XAI) when deploying opaque models in such environments. This study focuses on manufacturing time series data from a German automotive supply industry. We utilize autoencoders to compress the entire time series and then apply anomaly detection techniques to its latent features. For outlier interpretation, we (i) adopt widely used XAI techniques to the autoencoder's encoder. Additionally, (ii) we propose AEE, Aggregated Explanatory Ensemble, a novel approach that fuses explanations of multiple XAI techniques into a single, more expressive interpretation. For evaluation of explanations, (iii) we propose a technique to measure the quality of encoder explanations quantitatively. Furthermore, we qualitatively assess the effectiveness of outlier explanations with domain expertise.
- Abstract（参考訳）: 外乱検出は様々な分野で重要な分析ツールである。
製造のような重要なシステムでは、故障した異常な異常検知はコストがかかり、安全性が損なわれる。
したがって、このような環境で不透明なモデルをデプロイする際には、説明可能な人工知能(XAI)が必要である。
本研究は、ドイツの自動車供給産業における時系列データの製造に焦点をあてる。
我々はオートエンコーダを用いて時系列全体を圧縮し,その潜在特徴に異常検出技術を適用する。
外れやすい解釈のために、我々は
i) オートエンコーダのエンコーダに広く使われているXAI技術を採用する。
また、
(II) AEE, Aggregated Explanatory Ensembleを提案する。これは、複数のXAI技法の説明を単一のより表現力のある解釈に融合させる新しいアプローチである。
解説の評価のため。
(3)エンコーダの説明の質を定量的に測定する手法を提案する。
さらに、ドメインの専門知識を用いて、外部説明の有効性を質的に評価する。
関連論文リスト
- Zero-Shot Detection of AI-Generated Images [54.01282123570917]
AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。
機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。
ZEDは精度の点でSoTAよりも平均3%以上改善されている。
論文 参考訳（メタデータ） (2024-09-24T08:46:13Z) - Explainable Artificial Intelligence Techniques for Accurate Fault Detection and Diagnosis: A Review [0.0]
この文脈でeXplainable AI(XAI)ツールとテクニックをレビューする。
私たちは、AI決定を透明にする彼らの役割、特に人間が関与する重要なシナリオに重点を置いています。
モデル性能と説明可能性のバランスをとることを目的とした,現在の限界と今後の研究について論じる。
論文 参考訳（メタデータ） (2024-04-17T17:49:38Z) - Video Anomaly Detection using GAN [0.0]
この論文は、このユースケースに対する解決策を提供することを目的としており、監視システム記録の異常な活動に目を通すために人的資源が不要になるようにする。
我々は,新しいGANに基づく異常検出モデルを開発した。
論文 参考訳（メタデータ） (2023-11-23T16:41:30Z) - Does Your Model Think Like an Engineer? Explainable AI for Bearing Fault
Detection with Deep Learning [20.488966890562004]
本研究では,振動信号から転がり要素軸受の欠陥を検知する作業に焦点をあてる。
本稿では,モデルの基本となる論理が専門家の推論とどの程度うまく対応しているかを評価するための,新しい,ドメイン固有の属性フレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-19T17:58:11Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳（メタデータ） (2022-09-23T06:09:35Z) - String-based Molecule Generation via Multi-decoder VAE [56.465033997245776]
可変オートエンコーダ(VAE)による文字列型分子生成の問題点について検討する。
本稿では,そのタスクに対するVAEの性能を改善するための,シンプルで効果的なアイデアを提案する。
実験では,提案するVAEモデルを用いて,領域外分布からサンプルを生成する。
論文 参考訳（メタデータ） (2022-08-23T03:56:30Z) - Robust and Explainable Autoencoders for Unsupervised Time Series Outlier
Detection---Extended Version [27.191005130096684]
時系列データは広く発生し、異常検出はデータマイニングの基本的な問題である。
既存のオートエンコーダベースのアプローチは、現実の挑戦的なデータに対して最先端のパフォーマンスを提供するが、外れ値に対して脆弱であり、説明可能性の低い。
本稿では,入力時系列をクリーンな時系列と外れ値時系列に分解する頑健で説明不能な自動エンコーダフレームワークを提案する。
論文 参考訳（メタデータ） (2022-04-07T10:24:12Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - Including Sparse Production Knowledge into Variational Autoencoders to
Increase Anomaly Detection Reliability [3.867363075280544]
可変オートエンコーダニューラルネットワーク構造におけるラベル異常に関するまれな情報を用いて検討する。
この方法は、精度、正確さ、リコールの点で他の全てのモデルを上回る。
論文 参考訳（メタデータ） (2021-03-24T05:54:12Z) - Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。
ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
論文 参考訳（メタデータ） (2021-03-08T10:56:38Z) - Bias in Multimodal AI: Testbed for Fair Automatic Recruitment [73.85525896663371]
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
我々は、性別や人種の偏りを意識的に評価したマルチモーダルな合成プロファイルを用いて、自動求人アルゴリズムを訓練する。
我々の方法論と結果は、一般により公平なAIベースのツール、特により公平な自動採用システムを生成する方法を示している。
論文 参考訳（メタデータ） (2020-04-15T15:58:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。